R Notebook

Análisis exploratorio de datos climáticos Realizamos un estudio gráfico de la evolución de la temperatura global desde 1850. Queremos saber:

Si ha habido un aumento significativo de la misma. Si se producen más anomalías que antes térmicamente. Sacar ideas y descriptores a partir de la información proporcionada.

rm(list=ls())

library(reshape2) #facilita la trasnformación entre diferentes formatos de datos.
library(plotly) #https://plot.ly/r/

Loading required package: ggplot2
Use suppressPackageStartupMessages() to eliminate package startup messages.

Attaching package: ‘plotly’

The following object is masked from ‘package:ggplot2’:

    last_plot

The following object is masked from ‘package:stats’:

    filter

The following object is masked from ‘package:graphics’:

    layout

library(sqldf)

Loading required package: gsubfn
Loading required package: proto
Loading required package: RSQLite

Global Land and Ocean-and-Land Temperatures (GlobalTemperatures.csv):

Date: starts in 1750 for average land temperature and 1850 for max and min land temperatures and global ocean and land temperatures LandAverageTemperature: global average land temperature in celsius LandAverageTemperatureUncertainty: the 95% confidence interval around the average LandMaxTemperature: global average maximum land temperature in celsius LandMaxTemperatureUncertainty: the 95% confidence interval around the maximum land temperature LandMinTemperature: global average minimum land temperature in celsius LandMinTemperatureUncertainty: the 95% confidence interval around the minimum land temperature LandAndOceanAverageTemperature: global average land and ocean temperature in celsius LandAndOceanAverageTemperatureUncertainty: the 95% confidence interval around the global average land and ocean temperature

temperaturas<-read.csv("recursos/GlobalTemperatures.csv")
head(temperaturas)

# eliminamos los valores faltantes
temperaturas <- na.omit(temperaturas)
# damos formato de fecha a la columna dt (Date)
temperaturas$dt <- as.Date(temperaturas$dt,"%Y-%m-%d")
# creamos una columna con información de mes y otra con información de año 
temperaturas$Month<-as.numeric(format(temperaturas$dt,"%m"))
temperaturas$MonthString<-format(temperaturas$dt,"%B")
temperaturas$Year<-as.numeric(format(temperaturas$dt,"%Y"))
temperaturas

head(df, 20)

                                              
1 function (x, df1, df2, ncp, log = FALSE)    
2 {                                           
3     if (missing(ncp))                       
4         .Call(C_df, x, df1, df2, log)       
5     else .Call(C_dnf, x, df1, df2, ncp, log)
6 }                                           

Representamos las temperaturas medias por mes desde 1850. Se puede observar claramente que si bien la temperatura de la tierra se mantiene en una subida suave, la de la tierra y océano tiene una subida más pronunciada en el tiempo.

library(ggplot2)
library(dplyr) #https://rsanchezs.gitbooks.io/rprogramming/content/chapter9/dplyr.html
library(plotly)
#Tierra
leyenda=reorder(temperaturas$MonthString,-temperaturas$LandAverageTemperature,mean)   #El "-" permite ordenar al revés
plot_ly(data = temperaturas, x = ~Year, y = ~LandAverageTemperature, color = leyenda) %>%
  layout(legend = list(x = 1, y = 0.8),title='Variación de la Temperatura Terrestre')

#Mar y tierra
leyenda=reorder(temperaturas$MonthString,-temperaturas$LandAndOceanAverageTemperature,mean)   #El "-" permite ordenar al revés
plot_ly(data = temperaturas, x = ~Year, y = ~LandAndOceanAverageTemperature, color = leyenda) %>%
  layout(legend = list(x = 1, y = 0.8),title='Variación de la Temperatura Media de Mar y Tierra')

Vemos que se produce un aumento significativo a simple vista. Vamos a tratar de cuantificarlo para cada mes.

evolucion_temperaturas<-sqldf("SELECT Year, MonthString,LandAverageTemperature from temperaturas  WHERE Year in(1850,2015)")
temperaturas_1850=evolucion_temperaturas[evolucion_temperaturas$Year=="1850",]
temperaturas_2015=evolucion_temperaturas[evolucion_temperaturas$Year=="2015",]
evolucion<-data.frame("Month"=c(1,2,3,4,5,6,7,8,9,10,11,12), "MonthString"=temperaturas_1850$MonthString,"Diferencia"=temperaturas_2015$LandAverageTemperature-temperaturas_1850$LandAverageTemperature)
plot_ly(evolucion, x = reorder(evolucion$MonthString,evolucion$Month,min),  y = ~Diferencia,
  name = "Evolución Temperatura por mes",
  type = "bar"
)%>%
  layout(title = "Evolución temperaturas desde 1850.",
         xaxis = list(title = "",size = 40,color = "blue"),
         yaxis = list(title = "Diferencia en Grados"))

Observamos que tanto la máxima como la mínima temperatura por año han aumentado casi 3º C desde 1850.

Vamos a revisar las temperaturas máximas y minimas por año

max<-temperaturas %>%
  group_by(Year) %>%
  summarise(MaxTemp=max(LandMaxTemperature,na.rm = TRUE))
max

min<-temperaturas %>%
  group_by(Year) %>%
  summarise(MinTemp=min(LandMinTemperature,na.rm = TRUE)) -> MinByYear
min

ggplot(max, aes(x=Year, y=MaxTemp)) + 
    geom_point() +
    stat_smooth(method = loess, se = FALSE)

ggplot(min, aes(x=Year, y=MinTemp)) + 
    geom_point() +
    stat_smooth(method = loess, se = FALSE)

Vemos que las máximas subieron en torno a 2 grados y las mínimas 1,5.

Vamos a revisar las temperaturas máximas y mínimas medias por año

max_promedio<-temperaturas %>%
  group_by(Year) %>%
  summarise(MaxTemp=mean(LandMaxTemperature,na.rm = TRUE))
min_promedio<-temperaturas %>%
  group_by(Year) %>%
  summarise(MinTemp=mean(LandMinTemperature,na.rm = TRUE)) -> MinByYear
ggplot(max_promedio, aes(x=Year, y=MaxTemp, color=MaxTemp)) + 
    geom_point() +
    stat_smooth(method = loess, se = FALSE) +
    scale_colour_gradientn(colours = terrain.colors(10)) +
    labs(title = "Temperaturas máximas Promedio")

ggplot(min_promedio, aes(x=Year, y=MinTemp, color=MinTemp)) + 
    geom_point() +
    stat_smooth(method = loess, se = FALSE) +
    scale_colour_gradient(low = "white", high = "black") +
    labs(title = "Temperaturas mínimas Promedio")

Vemos que había mas anomalías antes.

ggplot(temperaturas,aes(x=dt,y=LandAndOceanAverageTemperatureUncertainty))+
  geom_point(shape=1)+
  geom_smooth(method="loess")+
  labs(title="Media de la incertidumbre en temperatura de tierra y océano a lo largo del tiempo",
       x="Año",
       y="Incertidumbre de temperatura media")

temperaturas$MonthFactor <- as.factor(temperaturas$Month)
qplot(x = reorder(temperaturas$MonthString,temperaturas$Month,mean), y = LandAndOceanAverageTemperature, data = temperaturas) +
  ggtitle("Gráfico de caja de la temperatura media por mes")+
  geom_boxplot(fill="blue1") +
  labs(x = " ")

NA